論文の概要: FORTE: A Production Framework for Feature Evaluation and Deprecation in Industrial Recommender Systems

• arxiv url: http://arxiv.org/abs/2610.13806v1
• Date: Fri, 09 Oct 2026 16:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.683821
• Title: FORTE: A Production Framework for Feature Evaluation and Deprecation in Industrial Recommender Systems
• Title（参考訳）: FORTE:産業用レコメンダシステムの特徴評価と非推奨化のための生産フレームワーク
• Abstract要約: FORTEは、機能を発見し、検証し、削除するためのモデルに依存しない生産フレームワークである。 FORTEは2つの大規模レコメンデータシステムに対して検証を行い、オンラインのレグレッションを起こさない非推奨機能セットを特定した。
• 参考スコア（独自算出の注目度）: 5.603010169804645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Production recommender systems have feature-lifecycle asymmetry: adding new features must produce gains on some metric, while feature removal must not regress any metric. In practice, feature deprecation is hard to prioritize as a feature can fail to be removed if it interacts with other features, its importance changes daily, it cannot be evaluated before production models change or data drift occurs, it is in contention for A/B test space with other launches, it causes regressions in an online A/B test, or it is consumed by multiple models that need to coordinate its deprecation. We present FORTE, a model-agnostic production framework for discovering, validating, and removing features. Its efficient perturbation implementation allows daily feature evaluation. To account for interactions, it evaluates candidate feature sets constructed from all the low-rank features through grouped ablation and its offline results are sufficiently predictive of online A/B tests to allow deprecations to proceed to online testing with confidence. Lineage tracing identifies all downstream consumer models to realize the full savings of removing a feature from the training set. We validate FORTE over 2 large-scale recommender systems and find that it identifies deprecable feature sets which do not cause online regressions, while the impact on efficiency depends on model characteristics. On a search-relevance model, FORTE resulted in 3 nested candidate sets of 32, 48, and 59 features. Online guardrails rejected the largest treatment. The 48-feature set was selected for deprecation, removing 43.3% of the model's features. On a large ranking model, FORTE identified 8 candidates for removal. Retraining and A/B testing confirmed no regression. Its launch reduced the trainable parameters by 29.9%, improved serving throughput by 19.8-25.5%, and reduced annual training costs by hundreds of thousands of dollars.
• Abstract（参考訳）: 生産レコメンデータシステムには特徴ライフサイクル非対称性がある: 新機能を追加すると、あるメートル法で利得が得られなければならないが、特徴除去は任意のメートル法を遅らせるべきではない。 実際には、機能の非推奨化は優先順位付けが難しい。フィーチャが他の機能と相互作用する場合、その重要度が毎日変更されること、プロダクションモデルの変更やデータドリフトが発生する前に評価できないこと、A/Bテストスペースが他のローンチと競合すること、オンラインA/Bテストの回帰を引き起こすこと、あるいはその非推奨化を調整するために必要な複数のモデルによって消費されるためである。 機能発見,検証,削除を行うためのモデルに依存しない生産フレームワークであるFORTについて述べる。 その効率的な摂動実装は、日々の特徴評価を可能にする。 インタラクションを考慮し,グループ化アブレーションによって構築されたすべての低ランク特徴から構築された候補特徴集合を評価し,オンラインA/Bテストのオフライン結果が十分に予測可能であり,デプリケーションが信頼を持ってオンラインテストに進むことができる。 線形トレースは、トレーニングセットからフィーチャーを削除するための全節約を実現するために、ダウンストリームのコンシューマモデルをすべて識別する。 FORTEは2つの大規模レコメンデータシステムに対して検証を行い、オンライン回帰を起こさない予測可能な特徴セットを特定し、効率への影響はモデル特性に依存することを示した。 検索関連モデルでは、Forreteは32、48、59の3つのネストされた候補セットを得た。 オンラインガードレールは最大の治療を拒絶した。 48機能セットは非推奨として選択され、43.3%が取り除かれた。 大規模なランキングモデルでは、FORTEは8つの候補を特定した。 再トレーニングとA/Bテストでは回帰は認められなかった。 打ち上げによってトレーニング可能なパラメータは29.9%削減され、サービススループットは19.8-25.5%向上し、年間トレーニングコストは数十万ドル削減された。

関連論文リスト

• RiskBlend: A Multi-Signal Framework for Test Input Prioritization in Machine Learning Regression Testing [0.0]
  機械学習分類器が再訓練されると、前のモデルバージョンによって正しく分類された入力は、更新されたバージョンによって誤って分類される。 テスト入力優先順位付けは、限られた検証予算が可能な限り多くの回帰欠陥を明らかにするように、入力をランク付けすることでこの問題に対処する。 本稿では,4つの相補的リスク信号を組み合わせた分類器に依存しない優先順位付けフレームワークであるR RiskBlendを提案する。
  論文  参考訳（メタデータ） (2026-08-27T20:40:35Z)
• Alteron: A Tool for Behavioral Regression Testing Across NLP Classifier Versions [0.3823356975862005]
  進化する自然言語処理(NLP)モデルを評価することは、更新全体の信頼性の高い動作を保証する上で重要である。 標準ベンチマークのメトリクスは、バージョン間でモデル動作がどのように変化するかを完全には捉えていない。 メタモルフィックテストを用いて,NLPモデルバージョン間での行動回帰を検出するツールであるAlteronを提案する。
  論文  参考訳（メタデータ） (2026-07-31T15:48:31Z)
• Rethinking Self-Evolving Agent Skills: Feedback Dynamics over Multiple Rounds [43.5891705224868]
  自己進化型スキルシステムは、基礎となるモデルを変更することなく、実行フィードバックを永続的なスキル更新に変換することでエージェントを改善することを約束する。 5つのベンチマークと3つのモデルで制御された評価フレームワークを提案する。 全体として、永続的なスキルの自己進化は、モデル依存リターンとベンチマーク依存リターンを備えたスパース、バリデーションフィルタリング検索として理解されている。
  論文  参考訳（メタデータ） (2026-07-31T04:02:51Z)
• Selective Test-Time Compute Scaling for Click-Through Rate Prediction via Uncertainty-Triggered Feature Path Exploration [9.542597285477683]
  テスト時間計算のスケーリングは言語モデルに非常に効果的であることが証明されているが、この機会は産業用クリックスルーレート(CTR)予測では探索されていない。 UTTSI(Uncertainty-Triggered Test-Time Selective Inference)は、トレーニング不要なモデルに依存しないフレームワークで、推論深度をインスタンスごとの不確実性に比例して拡張する。
  論文  参考訳（メタデータ） (2026-05-24T10:29:10Z)
• Pioneer Agent: Continual Improvement of Small Language Models in Production [6.452260317191361]
  小さな言語モデルは、低コスト、高速な推論、特殊化の容易さのために、製品展開にとって魅力的なものだ。 特定のタスクに小さな言語モデルを適用するプロセスを自動化するクローズドループシステムであるPioneer Agentを提案する。
  論文  参考訳（メタデータ） (2026-04-10T18:13:09Z)
• One Model to Critique Them All: Rewarding Agentic Tool-Use via Efficient Reasoning [54.580646706013965]
  リワードモデル(RM)は、大きな言語モデルと人間の嗜好の整合において重要な役割を果たす。 一般的なツール使用シナリオに適した軽量な生成型RMのファミリーであるToolRMを紹介する。 これらのモデルを構築するために,ルールベースのスコアリングと多次元サンプリングを用いたペアワイズ選好データを構築するパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-30T06:08:27Z)
• UPCORE: Utility-Preserving Coreset Selection for Balanced Unlearning [57.081646768835704]
  ユーザ仕様や法的フレームワークは、しばしば、大きな言語モデル(LLM)を含む、事前訓練されたモデルから削除される情報を必要とする。 これは、既に訓練済みのモデルからデータポイントのセットを削除または"偽造"する必要がある。 本研究では,非学習時の副次的損傷を軽減するための手法に依存しないデータ選択フレームワークUPCOREを提案する。
  論文  参考訳（メタデータ） (2025-02-20T22:51:10Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。